Основы машинного обучения для аналитического прогнозирования: алгоритмы, рабочие примеры и тематические исследования

[html]Книга "Основы машинного обучения для аналитического прогнозирования: алгоритмы, рабочие примеры и тематические исследования" - это базовое руководство, которое предлагает подробное и целенаправленное рассмотрение наиболее важных подходов к машинному обучению, используемых в аналитическом прогнозировании, охватывающих как теоретические концепции, так и практические приложения.В книге формальный математический материал дополняется практическими примерами, а тематические исследования иллюстрируют применение этих моделей в более широком контексте бизнесаПосле обсуждения перехода от данных к решению, в книге "Основы машинного обучения для аналитического прогнозирования" описывается четыре подхода к компьютерному обучению: информационное обучение, обучение на основе сходства, вероятностное обучение и обучение на основе ошибокКаждый из этих подходов сначала описывается неформально, а затем приводятся математические модели и алгоритмы, иллюстрированные подробными практическими примерами. Наконец, в книге рассматриваются методы оценки моделей прогнозирования и предлагаются два тематических исследования, которые описывают конкретные проекты анализа данных на каждом этапе разработки, начиная от формулирования бизнес-задачи и заканчивая реализацией аналитического решенияКнига "Основы машинного обучения для аналитического прогнозирования: алгоритмы, рабочие примеры и тематические исследования", написанная авторами, имеющими многолетний опыт преподавания методов машинного обучения и работы над проектами аналитического прогнозирования, предназначена для студентов и аспирантов, специализирующихся в области компьютерных наук, математики или статистики, а также как справочник для профессионалов.Об авторах:Джон Келлехер лектор в Дублинском технологическом институте и член-учредитель Исследовательского центра прикладного анализа DIT.Брайан Мак-Нейми является преподавателем Университетского колледжа в Дублине.Аоифе д'Арси генеральный директор The Analytics Store, консалтинговой компании по анализу данных и анализу данных. Отзыв экспертов:"Книга написана учеными, но тесно связана с практикой. Действительно, интеллектуальный анализ данных и машинное обучение идут рука об руку: грубо говоря, прогнозирование зависит от обучения на прошлых примерах. И хотя Основы - это всеобъемлющий университетский учебник, авторы также признают, что интеллектуальный анализ данных является самым быстро развивающимся коммерческим применением машинного обучения. Благодаря этому данный чрезвычайно познавательный опус позволяет осветить концепции в тесной связи с отраслевыми тематическими исследованиями и передовыми методами, гарантируя, что вы ознакомитесь с лучшими практиками и сценариями использования и не заблудитесь в абстракциях" Эрик Сигель (Eric Siegel), доктор философии, основатель компании Predictive Analytics World; автор книги Predictive Analytics: The Power to Predict Who Will Click, Buy, Lie, or Die)"В этой книге представлены превосходные описания ключевых методов, используемых в аналитическом прогнозировании. Однако уникальная ценность книги - понимание, которое она дает для практического применения этих методов. Тематические исследования и разделы по подготовке данных и качеству данных отражают реальные проблемы в эффективном использовании интеллектуальных аналитических средств".- Падрейг Каннингем (Padreig Cunningham), профессор информатики и информатики, Школа компьютерных наук, Университетский колледж Дублина; один из редакторов книги Machine Learning Techniques for Multimedia."Это замечательная самодостаточная книга, затрагивающая основные аспекты машинного обучения и представляющая их в ясном и интуитивно понятном свете. Авторы начинают с изложения основных идей и заканчивают более сложными информационными, вероятностными, статистическими и оптимизационными концепциями, делая акцент на том, как превратить бизнес-проблему в аналитическое решение, а также описывают соответствующие тематические исследования и приводят иллюстрации. Эта книга представляет собой легкое и увлекательное чтение, которое я рекомендую всем, кто заинтересован в том, чтобы узнать больше о механизмах машинного обучения и его приложениях для аналитического прогнозирования".-Натали Япковиц (Nathalie Japkowicz), профессор компьютерных наук, Университет Оттавы; соавтор книги Evaluating Learning Algorithms: A Classification Perspective. Оглавление книги "Основы машинного обучения для аналитического прогнозирования: алгоритмы, рабочие примеры и тематические исследования" Предисловие 12Обозначения 19Глава 1. Методы машинного обучения для аналитического прогнозирования 23Глава 2. Данные - выводы - решения 45Глава 3. Изучение данных 81Глава 4. Информационное обучение 149Глава 5. Обучение на основе сходства 217Глава 6. Вероятностное обучение 291Глава 7. Обучение на основе ошибок 371Глава 8. Оценивание 449Глава 9. Тематический пример: отток клиентов 521Глава 10. Тематический пример: классификация галактик 545Глава 11. Искусство машинного обучения для аналитическогопрогнозирования 577Приложение А. Описательная статистика и визуализация данныхдля машинного обучения 593Приложение Б. Введение в теорию вероятностей 609Приложение В. Правила дифференцирования 619Библиография 625Список рисунков 631Список таблиц 645Предметный указатель 652 [/html]